区域感知神经辐射场用于三维建筑重建与立面细节保持

《Developments in the Built Environment》：Region-aware neural radiance fields for three-dimensional building reconstruction and facade detail preservation

　　

高保真带纹理三维（3D）建筑网格对于数字孪生、立面检测与状态评估至关重要，但重建裂缝等精细细节仍具挑战。研究人员提出一种区域感知神经辐射场（Region-aware Neural Radiance Field, NeRF）方法用于重建建筑网格。关键创新包括：（1）区域感知自适应采样算法，利用三维空间注意力场在复杂纹理区域增加采样密度；（2）解耦流水线，通过学习的符号距离场将网格提取与纹理合成分离；（3）区域引导网格细化，增强关键立面区域的几何细节。在无人机（UAV）采集建筑数据上的实验表明，相比代表性摄影测量与神经基线方法，该方法网格规整性与纹理清晰度更优。基于感兴趣区域（Region of Interest, ROI）的指标与局部几何细节指标共同证明其在细纹理区域重建的改进。该工作流程在相机位姿估计后无需稠密点云网格化即可产出显式带纹理网格，支持面向检测的建筑模型离线数字建档。

研究背景方面，精确数字建筑模型是数字孪生城市的基础要素，高保真三维重建不仅展示整体几何结构，还需准确复现表面纹理，对材料分析、损伤检测与历史建筑保护意义重大。传统重建流水线先生成点云再重建网格，严重依赖输入点云质量，易受噪声、密度不均、缺失面、孔洞与纹理模糊影响；近年多层感知机（Multilayer Perceptron, MLP）类神经辐射场（NeRF）绕过显式点云，利用神经网络建模光线传输，在稀疏视角下能处理高光与透明等复杂效果，但隐式辐射场不直接提供显式网格，且在复杂纹理区常产生模糊重建。既有区域感知NeRF变体（如ER-NeRF、ER-NeRF++）多面向动态人脸或跨模态任务，其区域感知由时间变化或跨模态相关性驱动，而非静态结构中的空间纹理复杂度。为此，研究人员开展静态建筑立面的区域感知NeRF显式网格重建研究，成果发表于《Developments in the Built Environment》。

关键技术方法上，研究人员采用消费级无人机（UAV）环绕建筑以约5 m Standoff 距离、65%–75%重叠率采集多视角立面图像，经筛选后由COLMAP估算相机位姿，仅保留稀疏点云作配准副产品；取约20%图像做6×8子区人工标注裂纹剥落等感兴趣区域（ROI），训练基于VGG16的权重计算网络输出图像级权重矩阵；将多视角权重沿相机射线投影聚合成三维空间注意力场，引导NeRF体积渲染的自适应非均匀采样；从NeRF透射率分位数（15%、50%、85%）锚点学习类截断符号距离场（Truncated Signed Distance Function, TSDF）隐式场，由MeshNet抽取显式网格、TextureNet合成视向相关外观，再用区域引导Loop细分在ROI处加密网格与增强纹理。

研究结果部分，引言指出显式网格相较点云更能支撑缺陷检测，NeRF虽免点云但缺显式面片且细纹理模糊，本文创新点即把图像级纹理标注链入三维空间注意力场。数据准备小节说明UAV环绕航拍与COLMAP位姿估计流程，并预留每五张一张作留出测试视图，ROI掩膜仅在测试视图独立定义以防信息泄漏。区域感知NeRF渲染小节中，权重计算网络以VGG16（float16）输出子区权重经softmax与上采样得权重矩阵M；区域感知采样算法定义空间注意力W(x)为邻域射线权重的高斯加权和，依W(x)归一化得沿射线采样概率密度f_i(r_i(t))，使高注意力点被高频采样。解耦网格-纹理重建小节中，MeshNet以透射率50%分位x₅₀近似主表面、15%与85%分位提供内外约束，用符号一致性损失L_TSDF学习近似场F?(x)，Marching Cubes提取网格；TextureNet编码体特征建模视相关辐射。区域引导网格细化小节利用前述注意力场在缺陷敏感立面做自适应Loop细分，兼顾几何与纹理保真。

讨论与结论部分，研究人员指出该框架在UAV建筑数据上较摄影测量与神经基线获得更规整网格与更清晰纹理，ROI指标与局部几何细节指标互补证实细纹理区重建提升；方法在相机位姿估计后免除稠密点云网格化，直接产出显式带纹理网格，可支撑面向检测的建筑离线数字建档。局限在于权重网络需少量人工标注，大体量检测可通过半自动分割、主动学习或预训练缺陷检测器缓解。结论为：区域感知自适应采样、解耦TSDF网格抽取与区域引导细化三者协同，显著提升静态建筑立面细纹理与几何细节的重建保真度，为土木巡检向神经隐式建模过渡提供可落地路径。